冲突证据的目标识别系统的研究

目标识别系统中的不确定性信息常常表现为模糊性和冲突性信息.提出了一种在证据理论框架下实现模糊信息融合的方法.针对决策级信息融合中的冲突证据组合问题进行了深入的研究.在对现有组合算法分析的基础上,提出了一种新的冲突证据组合的方法.该方法采用先验概率加权与实际战场环境模糊加权相结合,最后采用归一化的可信度对证据进行加权平均并进行DS融合.仿真实验结果表明,此方法可有效地处理冲突证据,得到合理的融合结果.     

改进的证据组合规则及其在融合目标识别中的应用

针对D-S理论在解决证据冲突时的局限性,提出了一种改进的证据组合规则.该方法充分考虑了证据源信息和冲突证据本身的信息,利用证据间的支持度矩阵,得到各证据的可信度.并以此对证据进行加权平均;在此基础上,将支持证据冲突的概率按各个命题在所有命题中所占的比重进行分配.仿真实验结果表明,该方法在处理冲突证据问题及证据比较一致的问题时,都能得到合理的融合结果.在实际的多传感器融合目标识别中,可以充分利用多个传感器的互补信息,最大程度地降低矛盾冲突因子对识别结果的影响,从而提高了融合识别的可靠性和有效性.     

改进的二元组冲突表示方法

D-S证据理论可以有效表示随机性和模糊性的不确定信息,可以在不需要先验信息的情况下对证据进行组合,这些优点使得该理论被广泛应用于信息融合的各个领域。但是在实际应用中,D-S证据理论中的组合规则无法有效融合冲突信息,为此研究人员在组合规则改进或是数据模型修改两个方面提出了很多改进方法,但却忽视了对冲突本身的研究。首先分析了证据理论中经典冲突系数的不足,而后引入证据距离,结合经典冲突系数提出了一个改进的二元组来描述证据冲突,新的二元组冲突表示可以更好地度量证据之间的冲突,而且对Dempster组合规则的适用性具有指导意义。算例说明了新的冲突表示方法的有效性。     

基于冲突关系网络的证据合成方法研究

针对经典证据理论处理高冲突情况时结果违反常理的问题,在对其原因及各类改进方法进行研究分析的基础上,提出基于冲突关系网络的证据合成方法.该方法从整体着眼,充分考虑直接与间接冲突关系,通过构建网络,利用PageRank算法的思想获取证据权值并进行加权修正,最后利用Dempster组合规则进行融合,既保留了经典理论优良的数学性质,又较好解决了前述问题.算例分析结果表明,该方法能够客观反映冲突证据所携带的不确定信息,具备一定的优越性.     

基于多源信息和改进证据理论的空战攻击决策

针对证据理论不能有效地处理带冲突证据信息的缺点,结合已有的证据理论改进算法研究了一种新的多源信息融合策略并应用于多机协同空战决策。根据不同的前提条件采用不同的融合规则,并在融合过程中引入可靠性度量,以反映具体证据的信任度。同时采用闭世界和开世界的观点,区别两种不同部分冲突信息的分配并考虑融合的顺序,提高冲突证据的融合效率。仿真结果表明所研究的融合策略能够得到较好的空战攻击决策结果。     

基于D-S证据理论的多模复合制导目标识别

多传感器信息融合已成为现代条件下目标识别的重要手段.研究基于D-s证据理论的多传感器信息融合算法,提出一种基于Dempster-Sharer理论的推广方法以解决融合信息的证据冲突问题,并将其用于红外成像/毫米波复合制导系统,进行目标识别的决策信息融合,结果比较理想,能够有效地化解证据间的冲突问题.     

基于信息总不确定度的冲突证据组合修正方法

现有的冲突证据组合修正方法仅从证据距离、模糊度等描述信息不确定性的一个或几个方面对证据体的基本概率分配函数进行修正,对证据的关联性考虑不够充分。该文提出基于信息总不确定度的冲突证据组合修正新方法。该文在笛卡尔乘积的基础上定义提出组合总不确定度的概念,并给出根据融合前各证据体总不确定度预测融合后证据体组合总不确定度值域的方法。对冲突证据,利用各证据体总不确定度与组合总不确定度的比值,求出对证据基本概率分配函数的修正权重,再根据Dempster规则进行加权平均组合。信息融合的算例分析结果表明,与现有方法相比,该方法融合结果的总不确定度更小,更有利于融合结果的后续决策分析与数据应用。     

D—S证据理论在多源数据融合中的应用及改进

在不确定性处理算法中,D-S证据理论具有较好的应用效果.阐述了D-S证据理论及其在多传感器数据融合中的应用.从改进合成规则和证据源数据两方面对当前的一些改进方法进行了分析比较.提出一种基于冲突强度的证据合成规则,并在Murphy证据平均合成规则的基础上提出一种基于证据间相似系数的证据合成规则,通过实例对这几种方法进行了比较,证明了基于相似系数证据合成规则的有效性.     

贝叶斯网络在大规模医疗数据上的应用研究

针对医院信息系统中积累的大量数据,探讨了采用粗糙集、规则推理、贝叶斯网络相结合的方法基于这类数据进行学习建模.该方法在粗糙集属性约简的基础上,考虑了规则推理的影响,对信息表中的属性列进行压缩,获取最少属性列.基于最少属性的贝叶斯网络模型可以有效降低网络结构的复杂性;同时利用贝叶斯网络实现概率推理.最后进行了实验分析,结果证明该方法快速有效.     

互补证据组合规则

针对Dempster组合规则"一票否决"和现有修正方法主观分配冲突信息的缺点,提出一种全新的证据组合方法.新方法直接利用定义的互补证据进行融合,不再采用Dempster组合规则中的纯乘性策略组合证据,成功解决了"一票否决"问题.并将冲突信息转化为证据权重融入组合规则进行直接融合,不再主观分配其信度.新的组合规则是一类广义的加性集成算子,既满足交换律又满足结合律,既能够直接组合单类证据,也能够基于TBM组合复合类证据.通过多传感器融合识别算例,验证和对比分析了新的组合规则的优势.     

基于攻击者角度的网络安全评估方法研究

针对网络安全的评估问题,提出了基于攻击者角度的评估模型,并以此为依据建立评估指标体系。在此基础上,借助AHP灰色理论对网络的安全属性在网络攻击过程中遭受的破坏程度进行定量计算,并从攻击者的角度定性分析网络的安全性能。实验结果表明,该方法能够综合评估网络信息安全。     

基于多源数据融合技术的情报侦察系统效能评估体系

多源数据融合技术因具有多类数据源,可多层次、全方位感知信息,已被广泛应用于军事领域.但目前缺少一个统一的评价体系,用于指导和规范多源数据融合情报侦察系统的效能评估.为了全面评价和比对多源信息融合情报侦察系统各方面的性能,在分析相关理论的基础上,建立了一个合理的且相对全面的评价指标体系,覆盖了多源数据融合情报侦察系统各方面的属性,并分析了评价体系与指标体系之间的关系.该项研究丰富了多源数据融合效能评估理论和方法,可用于指导和规范多源数据融合情报侦察系统的效能评估工作,并有效地提高了系统的综合作战能力.     

基于证据理论的跟踪辅助目标识别

为提高目标属性识别精度,本文以证据理论为基础,提出一种跟踪辅助目标识别方法。通过在属性融合中引入目标的跟踪信息,增加了属性融合空间的维数,改进了目标的识别性能,提高了目标的识别正确度。实验结果证明了这一方法的有效性,特别是在属性测量传感器较少的情况下,这一方法更有其实际意义。     

粗糙集理论在学生综合评价中的应用研究

高中学生综合素质评价是一项复杂的工作,是一类带有大量不确定因素的半结构化或非结构化问题。为了改善现有的指标体系约简方法和属性权重确定方法的不足,提出了一种基于粗糙集理论的学生素质综合评价方法,该方法采用基于信息量的属性约简启发式算法,实现了评价指标的筛选,从而优化了指标体系;并基于约简指标的重要度信息确定权重,减少人为主观因素对评价结果的影响。通过例子分析,验证了该方法的可行性和实用性。     

结合时序注意力机制的多特征融合行人序列图像属性识别方法

目前绝大多数的行人属性识别任务都是基于单张图像的,单张图像所含信息有限,而图像序列中包含丰富的有用信息和时序特征,利用序列信息是提高行人属性识别性能的一个重要途径.本文提出了结合时序注意力机制的多特征融合行人序列图像属性识别网络,该网络除了使用常见的空-时二次平均池化特征聚合和空-时平均最大池化特征聚合提取序列的特征外...     

基于可信度量的网络组件性能评估方法

针对新型网络及其服务构建中所涉及的网络组件选择问题,以可信评估思想为指导,通过多属性决策建模,提出一种网络组件性能评估方法。首先,针对网络应用环境的灵活多变特征,设计了一种按需驱动的可信指标树动态构建策略。其次,利用模糊层次分析法减小主观权重计算的不确定性,并将主客观权重相结合以提高赋权操作的公平性。最后,在评估决策阶段,综合运用指标数据效用转换、可信属性向量构造和向量间的相对近似度计算等策略得到评估结果。通过对软件定义网络控制器的实际案例分析,验证了所提评估方法的合理性及有效性。     

一种新型异源图像融合质量评价模型

提出了一种基于FNN的异源图像融合质量评价模型。该模型将融合图像的主观评价结论样本集作为模糊期望输出,并利用高斯隶属度函数将多种典型图像融合客观评价指标进行模糊化,作为网络输入样本。通过网络学习,生成评价指标权重与隶属度函数的相关参数,并采用动量因子提高了网络的学习效率。实验结果表明,采用该方法进行异源图像融合质量评价,评价结论符合人眼的观察特性,主、客观评价结论具有较好的一致率,为融合图像自动化评价的实现提供了有效的途径。     

基于霍克斯点过程的动态网络表示学习方法

网络表示学习是将网络中的节点映射到低维空间形成低维稠密特征向量的分布式学习方法.本文在现有网络表示学习研究的基础上,提出一种基于霍克斯点过程的动态网络表示学习方法.该方法基于霍克斯点过程有效结合了网络历史连边信息和网络演化中的三元闭包特性对当前节点产生连边的影响,解决了现有方法难以有效捕捉网络历史信息和演化特性的问题.在多种数据集的实验结果表明,本文提出的方法较其它方法在节点分类、链路预测和可视化等实验中的性能均有较大的提高,实验中的F1分数值和AUC值分别提高了3.72%~6.41%和2.22%~4.69%.     

基于Elman神经网络的空战威胁排序研究

依据空战态势、空战效能以及目标战役价值,采用威胁指数法建立了空战目标威胁评估模型。在威胁评估的基础上,研究了空战中基于Elman神经网络的目标威胁排序方法。考虑到Elman神经网络的学习性能和收敛性,采用附加动量项、自适应改变各参数学习率以及重置算法改进网络权值的学习算法。算例结果表明,采用Elman神经网络对空战目标进行威胁排序的方法是有效的,且改进的学习算法提高了网络的学习效率,有效地抑制了局部极小值的出现。该方法有利于提高火控系统的智能化水平。     

基于RPCA和LatLRR分解的红外与可见光的图像融合

红外光和可见光图像的融合在视频监控、目标跟踪等方面发挥着越来越重要的作用.为了得到融合效果更好的图像,提出了一种新的基于鲁棒性低秩表示的图像分解与深度学习结合的方法.首先,利用鲁棒性主成分分析对训练集图像进行去噪处理,利用快速的潜在低秩表示学习提取突出特征的稀疏矩阵,并对源图像进行分解,重构形成低频图像和高频图像.然后...